Melanoma e diagnosi precoce: perché è un problema di robotica

Digital Health

MDR, FHIR, RAG clinico: AI in sanità con il dato che resta nel perimetro dell’ente.

Scopri →

Ricerca e Sviluppo

Progetti di ricerca applicata su AI, imaging e robotica, con partner clinici e accademici.

Scopri →

Cosa sostiene il post

A luglio 2026 Marion Lepert, che si presenta come PhD in robotica, pubblica “Why Catching Skin Cancer Early Is a Home Robotics Problem” e con esso OpenDerm, un prototipo autocostruito.

OpenDerm è un gantry robotico a 4 gradi di libertà con una camera che scansiona la pelle con accuratezza di posizionamento sotto il millimetro e risoluzione di 78 pixel per millimetro. Ricostruisce una mappa 3D della superficie cutanea per confrontarla nel tempo. I componenti costano circa 8.500 dollari e il progetto è dichiarato open source, con l’idea esplicita che aprirlo abbassi la barriera per riprodurlo.

La tesi riguarda l’acquisizione dell’immagine, a monte del riconoscimento della lesione:

Capturing repeatable, high-resolution images requires moving a camera across the body’s contours while maintaining a consistent distance, viewing angle, focus, and lighting.

Distanza, angolo, fuoco e illuminazione costanti mentre la camera segue le curve di un corpo. Detta così è una specifica di controllo di moto, non di visione artificiale. E il secondo argomento è ancora più robotico: un braccio sa dove si trova, quindi può registrare geometricamente migliaia di immagini sovrapposte e comporle in una ricostruzione, cosa che una mano con un telefono non può garantire.

I numeri su cui poggia

Il post porta due dati clinici a giustificare lo sforzo. Sono suoi, non nostri.

Il primo: circa il 70% dei melanomi nasce come lesione nuova su pelle prima normale, mentre solo il 30% circa evolve da nei preesistenti. È il dato che scardina il modello di sorveglianza corrente, tutto costruito sul tenere d’occhio i nei che già ci sono.

Il secondo: la sopravvivenza a cinque anni passa da oltre il 99% per un melanoma localizzato a circa il 35% quando ha dato metastasi a distanza. È la ragione per cui la finestra temporale conta più della sofisticazione dello strumento.

Messi insieme dicono che serve guardare tutta la pelle, spesso e allo stesso modo ogni volta, perché la cosa da cogliere è una differenza fra due scansioni, non un’anomalia in una sola immagine.

Tre casi che dicono la stessa cosa

Qui il post smette di essere un progetto personale e diventa un caso di una categoria. La letteratura sull’AI medica ha già documentato tre volte che il punto di rottura sta nell’acquisizione, non nel classificatore.

Thailandia, 2019: il 21% delle immagini scartate. Google Health porta in undici cliniche thailandesi un modello per la retinopatia diabetica con accuratezza da laboratorio comparabile a quella degli specialisti. Nella valutazione sul campo pubblicata da Beede e colleghi a CHI 2020, il sistema rifiuta il 21% delle circa 1.840 immagini acquisite dagli infermieri perché di qualità troppo bassa per essere processate, in buona parte per l’illuminazione delle stanze. Le immagini scartate dipendevano dalla qualità dell’acquisizione, non dalle prestazioni del modello sul compito.

Marcature chirurgiche, 2019: la specificità crolla. Winkler e colleghi, su JAMA Dermatology, prendono 130 lesioni e le passano a una rete convoluzionale per il riconoscimento del melanoma. Sulle lesioni non marcate la rete ha sensibilità 95,7% e specificità 84,1%. Sulle stesse lesioni con i segni del pennarello chirurgico intorno, la probabilità di melanoma sale, la sensibilità arriva al 100% e la specificità scende al 45,8%, con i falsi positivi sui nei benigni su di circa il 40%. Ritagliare l’inchiostro fuori dall’immagine ripristina la specificità. La spiegazione degli autori è che nei dati di addestramento le marcature comparivano soprattutto accanto ai melanomi: la rete aveva imparato il pennarello.

Caption AI, 2020: l’AI puntata sull’acquisizione. Il 7 febbraio 2020 la FDA autorizza, con procedura De Novo dentro il programma Breakthrough Device, il primo software che guida in tempo reale l’operatore nell’acquisizione di immagini ecocardiografiche diagnostiche. Non interpreta: dice come muovere la sonda, con oltre novanta tipi di istruzioni. Nello studio a supporto, otto infermieri senza esperienza di ecografia, dopo circa un’ora di formazione e nove scansioni di pratica, producono 240 scansioni con un accordo di almeno il 92,5% con quelle dei sonografi sugli esiti diagnostici principali.

Nei primi due il punto di rottura è l’acquisizione. Nel terzo l’AI è applicata all’acquisizione invece che al riconoscimento.

Cosa manca a OpenDerm

I limiti li elenca il post stesso. La distanza fra un prototipo e uno strumento clinico è quasi tutta lì.

Nella versione attuale il paziente sta sotto il gantry e il post stesso indica come miglioramento necessario una versione in cui la persona resta in piedi, per ragioni di sicurezza. La scansione è lenta e passerebbe a trasmissioni a cinghia invece delle viti a ricircolo. Soprattutto, il progetto non risolve il problema dell’accesso: un gantry in casa non è una prospettiva realistica e il post lo lega esplicitamente alla disponibilità futura di robot domestici general purpose.

Due cose che il post non affronta. La prima è che un dispositivo che acquisisce immagini per finalità diagnostiche, in Europa, entra nel perimetro del regolamento sui dispositivi medici: la classificazione e la validazione clinica sono un pezzo di lavoro paragonabile a quello ingegneristico. La seconda è che una mappa 3D di tutta la superficie cutanea di una persona, ripetuta nel tempo, è uno dei dati più identificanti che esistano e dove viene elaborata non è un dettaglio implementativo.

Cosa ne pensiamo

Il nostro giudizio qui non è neutrale: abbiamo lavorato esattamente su questo problema. Dal 2019 al 2023, nel progetto ALA fra il Gruppo INPECO e l’Istituto di BioRobotica della Scuola Superiore Sant’Anna, noze ha fatto da architetto software AI e cloud. INPECO è un leader mondiale nell’automazione di laboratorio clinico. Il progetto valeva 3,5 milioni di euro e trenta ricercatori, con validazione clinica ai centri di dermatologia di Siena e Livorno.

L’hardware. Una delle tre linee di ricerca era la progettazione di un dispositivo integrato di sensing multimodale con inferenza deep learning a bordo: layout di sistema, progettazione dei sotto-moduli, integrazione infrastrutturale. Non una fotocamera migliore, un apparecchio costruito per acquisire. Accanto alle immagini RGB il dispositivo raccoglieva segnali da spettrofotometri, cioè informazione che a occhio non esiste: due lesioni possono apparire identiche in fotografia e rispondere in modo diverso su bande che una camera non vede. È lo stesso ragionamento di OpenDerm portato su un altro asse. Il gantry aggiunge ripetibilità geometrica, il sensing multimodale aggiunge canali di segnale, ma la mossa è la stessa: se l’acquisizione limita il sistema, si costruisce l’apparecchio che acquisisce.

I modelli. La linea software erano modelli verticali per il supporto alla diagnosi del melanoma, non un classificatore generico riadattato: architetture costruite sul caso, ottimizzate con tecniche di ricerca automatica dell’architettura (AdaNet, AmoebaNet, NasNet) e irrobustite con regimi di training, data augmentation e generazione di dati. Il riferimento dichiarato era il superamento della prestazione umana sul compito. La terza linea era la tracciabilità totale di campioni biologici e dati clinici lungo la catena di automazione, che è la stessa preoccupazione vista da un’altra angolazione: sapere sempre da dove viene ciò che stai guardando.

L’app. Per far arrivare immagini utilizzabili dai pazienti abbiamo costruito un’app mobile con acquisizione guidata: l’utente non fotografa la lesione come gli viene, viene condotto a farlo in un modo confrontabile con la volta precedente. Il valore diagnostico di un archivio sta tutto nel confronto fra due scansioni, e senza quel vincolo il confronto non regge.

Messe in fila: una linea sul dispositivo che acquisisce, una sui modelli, una sulla tracciabilità, più un’app per rendere confrontabili le foto. Tre delle quattro riguardano il modo in cui l’immagine e il dato arrivano al sistema.

Da qui tre osservazioni che valgono oltre la dermatologia.

Il budget di un progetto di AI medica va speso dove sta il rischio e non sta nel modello. Su un problema di classificazione di immagini con dataset pubblici decenti, arrivare a un classificatore ragionevole segue un percorso documentato, con rischi noti. Arrivare a immagini acquisite in modo ripetibile, in un ambiente reale, da persone non addestrate, è dove i progetti falliscono. Se in un piano di lavoro l’acquisizione occupa due settimane su ventiquattro, il piano è sbagliato.

Un modello che vede l’artefatto invece della malattia non si scopre in validazione interna. Il caso delle marcature è istruttivo proprio perché la rete funzionava: sensibilità 95,7%, numeri da pubblicazione. Quello che era rotto stava nella correlazione fra un segno di penna e la diagnosi ed è emersa solo perché qualcuno ha pensato di variare l’acquisizione a parità di lesione. È il tipo di controllo che va messo nel protocollo di test, non lasciato alla curiosità di qualcuno.

La ripetibilità è un requisito di sistema, non una virtù dell’operatore. Le tre strade sono togliere l’operatore (il gantry), guidarlo (Caption AI, la nostra app) oppure standardizzare l’ambiente. La quarta, sperare che stia fermo e con la luce giusta, non è una strada e i numeri della Thailandia lo dicono con precisione.

Sull’idea in sé, cioè che la diagnosi precoce del melanoma sia un problema di posizionamento prima che di visione, siamo d’accordo e non ci sembra un’opinione minoritaria fra chi ha provato a portare questi sistemi in una stanza vera. Sul gantry in casa siamo scettici quanto lo è il post stesso. La parte che resta e che vale a prescindere dal fatto che quel prototipo arrivi da qualche parte, è che aprire l’hardware di un problema del genere è il modo più rapido per farlo studiare da altri.

Fonti

• Marion Lepert: Why Catching Skin Cancer Early Is a Home Robotics Problem
• OpenDerm
• Beede et al., A Human-Centered Evaluation of a Deep Learning System Deployed in Clinics for the Detection of Diabetic Retinopathy (CHI 2020)
• Winkler et al., Association Between Surgical Skin Markings in Dermoscopic Images and Diagnostic Performance of a Deep Learning CNN for Melanoma Recognition (JAMA Dermatology, 2019)
• FDA: autorizzazione De Novo del primo software AI di guida all’acquisizione ecocardiografica